谈话----如果我想要成为××活动的兼职员(多思考,增加机会)

有时间应该多思考了,这篇博客是对于一个具体话题的引导方式,值得我多次反复思考,补充

前因:

一直参加某公司的技术沙龙,想着能不能成为他们的兼职,多了解些活动内容,并且增加交友范围

谈话很残酷,让我意识到我的单向思维方式,以及总是有先入为主的思维方式

聊天过程:

问题一:你有几种方式联系是否招兼职?

1、参加活动时现场咨询几个工作人员

2、找找活动方的网址查询是否有招聘信息

3、微博直接发私信给活动方小编是否有招聘兼职?

4、百度,谷歌关于活动的信息

(我暂时只想到这些,还有什么?需要再想想继续补充)

问题二:如果微博发私信询问,你会怎样说?

我的回答是:小编你好,我叫**,我是做java开发,经常参加此活动,熟悉流程,想咨询活动是否需要兼职人员?有什么要求?

继续追问:的回答好吗?如果是的好友A会怎么说?的好友B会怎么说?C会怎么说?

我哑口无言,虽然很熟悉但我却不知道他们会怎么想怎么说,而且我此时并不理解为什么要问他们???

又问一次,我还是哑口无言,又问一次我还是哑口无言,于是老师火了......"不知道他们会说什么,你都不会问吗?难道是联系不上?"满腹的委屈啊,问了问

A的回答大体是:我有时间,有能力胜任兼职工作,你们是否有需要兼职?

B的回答大体是:我了解过下次的话题是***,我对此话题有了准备,是否缺少?

问题三:试想以上的几种回复区别?

我的:主要强调了我有兴趣,了解流程

A的:主要强调了时间和能力

B的:主要强调了能力

认为我会用两个微博号两种询问方式进行询问,以确定对方的回复是怎样

问题四:试想可能的回复?怎样延续话题?提升机会

我认为回复有以下几种:

1、没有兼职人员不需要    如果两个号都是肯定的回答我不需要,我可能会继续问有没有其他需要兼职的活动

2、本期已满,后期待定   追问后期话题,举办时间,以及再次说明我想要加入,询问加入方式,加入要求,以及联系人的确认等具体信息

3、需要,但要求是......    根据给定的要求进行自我对照,确认参加

收获:

整个谈话过程大概一小时,期间对所有问题我基本都是被动回答,基本都是一个答案,状态很差

完成后意识到如果我多想几种可能性,考虑多一点然后再决定用何种方式与对方沟通,何种方式对方会接受,为什么他会接受,那么会事半功倍

不断强调:多角度,多方式考虑,以及异同,主动延续话题

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值